자기소개

차라투(주) — Zarathu Co., Ltd

의학연구지원
R 패키지 개발 및 교육
인턴십 — 연세대 학부생, 의대생·전공의 30명 이상

약력

2003–2009 성균관의대 졸업
2010–2013 예방의학 전문의 · 서울대 보건대학원
2010–2018 보건학 박사수료(유전체역학) · 서울대 보건대학원
2014–2016 책임연구원 · 삼성전자 DMC연구소·무선사업부
2018–현재 대표 · 차라투(주)

기타 활동

2021–2022 겸임교수 · 성균관대 바이오헬스규제과학과 — R 빅데이터분석 강의
2023–현재 Statistical Editor · Journal of Cardiovascular Intervention
2025–현재 학술이사(임상시험분과) · 신경약물임상시험학회
2026–현재 편집위원 · 생물정신의학회

직접 개발한 R 패키지 — Statgarten 오픈소스 생태계

Statgarten 통계패키지 생태계

정부 R&D로 단계적 고도화한 오픈소스 자산

IITP · NIPA 공개SW R&D로 의학연구용 분석 패키지 · SaaS · 웹 · 튜토리얼까지 단계적으로 구축

구분	항목	내역
R 패키지	통계 분석 함수	111종
공개 SaaS	openstat.ai	무료 운영
R&D 수행	IITP·NIPA 공개SW	3건
지식재산권	특허 등록	2건
지식재산권	SW 저작권	1건
연구 지원	분석 지원 논문	200편
임상시험	데이터 분석 건수	50건

의학논문에 쓰이는 거의 모든 분석을 포함한 R 패키지 — 분석 모듈을 GUI와 통합해 1~2줄 코드로 분석 웹 구축 가능

4대 대표 패키지 — jskm · jstable · jsmodule · splineplot

대표 R 패키지 4종 · CRAN 등록

패키지	기능	GitHub
jskm	KM plot 논문용 그림	jinseob2kim/jskm
jstable	Regression 논문용 테이블	jinseob2kim/jstable
jsmodule	분석기능 모듈화 (저코드)	jinseob2kim/jsmodule
splineplot	비선형 모델 시각화	jinseob2kim/splineplot

누적 다운로드

지역	다운로드	비고
글로벌 누적	30만 회+	CRAN + GitHub
일본	3만 회	블로그 리뷰
중국	7만 회	영상 후기

본 패키지 활용 논문 200편 (NEJM · Lancet · JAMA 등 최상위 저널 포함), 임상 데이터 분석 50건

패키지 화면 (jskm · jstable)

jsmodule — 저코드 분석 웹 · AI Assistant

jsmodule 2.0.0 — AI Assistant 시범 탑재 / openstat.ai 운영 중

jsmodule 저코드 분석모듈 엔진에 AI Assistant 기능을 시범 탑재

구분	구현 기능
LLM 연동	질의 기반 분석 코드·통계 절차·시각화 생성·수정·실행
컨텍스트 활용	Data Manager 컨텍스트로 이전 표·그림 참조하는 후속 질의
보안 설계	row-level 데이터 미포함 / 샌드박스 / 변수명 일반화
출력 포맷	표·그림·flextable · PPTX · Word · Excel · TXT 내보내기

멀티오믹스 데이터와 분석의 특징

일반 통계(회귀·t검정)를 그대로 적용할 수 없는 데이터 — 데이터 특성마다 전용 분석 전략 필요

① 고차원 (p ≫ n) — 수만~수백만 마커 vs 수백 표본 → 정규화(Lasso·Elastic Net)·차원축소(PCA·MOFA)

② 다중공선성 — LD·공발현·pathway로 변수 간 강한 상관 → 네트워크·모듈 기반 통합(xMWAS·WGCNA)

③ 다중검정 — 수백만 검정 동시 수행 → genome-wide significance(5 × 10⁻⁸)·FDR 보정

④ 데이터 이종성 — 계층별 분포·스케일 상이(SNP·count·beta·log-normal) → 정규화 후 단계별 통합

⑤ 기술적 잡음·교란 — batch effect·집단구조가 신호 왜곡 → ComBat·SVA, PC 보정·deconvolution

⑥ 사전지식·공개데이터 — GWAS Catalog·GTEx·KEGG·UK Biobank 활용 → enrichment·MR·imputation

① 고차원 — 변수가 표본을 압도 (p ≫ n)

현상

측정 변수 p — SNP 50만+ · CpG 85만 · 전사체 2만+ → 수만~수백만
표본 n — 수십~수백 수준
p가 n을 압도 → 회귀 해 불안정 · 과적합 필연

차원의 저주

변수↑ → 표본 간 거리 희박, 우연 상관 급증
최소제곱(OLS) — p > n이면 유일 해 부재

분석 전략

벌점화 회귀 — Lasso·Ridge·Elastic Net: 변수 선택 + 계수 축소
차원축소 — PCA·PLS·MOFA: 잠재 인자로 압축
사전 필터링 — 분산·연관 기반 screening

차원축소 — PLS · MOFA

PLS(부분최소제곱) — 결과변수와 가장 관련 큰 방향으로 변수를 압축하는 지도학습형 차원축소 (PCA는 결과를 보지 않는 비지도)
MOFA(Multi-Omics Factor Analysis) — 여러 오믹스를 동시에 설명하는 공통 잠재인자(factor)를 찾는 비지도 통합 기법

② 다중공선성 — 변수 간 강한 상관 구조

상관의 원천

유전 — 연관불균형(LD): 인접 SNP 블록 단위 동시 유전
전사 — 공발현 모듈: 같은 경로 유전자 동조 변동
단백·대사 — pathway 내 강한 양/음 상관

문제

회귀계수 분산 폭증(VIF↑) · 부호 역전 · 해석 불가
인과 변수 식별 불가(non-identifiability)

분석 전략

모듈·네트워크 통합 — WGCNA · xMWAS
Group Lasso · 주성분 회귀 — 상관 그룹 단위 처리
LD clumping · fine-mapping — 인과 변이 후보 축소

Lasso vs Group Lasso

Lasso — 계수를 하나씩 0으로: LD block에서 SNP 하나만 임의 선택(불안정)
Group Lasso — 묶은 그룹(LD block·pathway)을 통째로 in/out: 생물학적 단위 유지로 안정적

③ 다중검정 — 수백만 가설의 동시 검정

규모와 위험

GWAS 50만~1,000만 SNP · EWAS·DEG 수만 부위 동시 검정
100만 검정 × α 0.05 = 5만 우연 양성 → 보정 없이 해석 불가

보정 방법

Bonferroni — α/m: GWAS 표준 5 × 10⁻⁸ (= 0.05 / 10⁶)
FDR(Benjamini–Hochberg) — 발견 중 거짓 비율 통제, 탐색 단계 적합
effective test 수 · 순열검정 — LD 상관 반영

진단

QQ plot · genomic inflation(λ) — 체계적 편향 점검
보정 통과 신호만 후속 통합 분석

④ 데이터 이종성 — 계층마다 다른 분포·스케일

계층별 데이터 성격

유전형 — 0/1/2 범주(이산)
RNA-seq — count · 과분산 → 음이항
메틸화 — β값 0~1 경계(bounded)
단백·대사체 — 연속 · 우편향 → log 정규
마이크로바이옴 — 합성 데이터, 합 = 1 제약

문제

단위·분산·결측 구조 상이 → 단순 결합 시 큰 스케일 계층이 지배

분석 전략

계층별 변환·정규화 — VST · log · CLR
통합 시점 — Early(연결) · Intermediate(MOFA 잠재인자) · Late(결과 통합)
계층별 imputation — 결측 구조 반영

④ 데이터 이종성 — 변환·정규화 (VST · log · CLR)

“큰 스케일 계층이 지배”는 lasso만의 문제가 아님 — 거리 기반(PCA·클러스터링·kNN) · 벌점 회귀(lasso·ridge) · 모든 통합 분석에 공통되는 전처리 문제

계층별 변환 — 분포가 다르니 각자 맞는 변환

VST — RNA-seq count: 평균↑ → 분산↑(과분산) 제거, 발현량 무관 분산 일정화 → 고발현 쏠림 방지
log — 단백·대사체 우편향 연속값: 대칭(정규)에 가깝게, 큰 값 압축
CLR — 마이크로바이옴 합성데이터(합 = 1): log(값 / 기하평균)으로 단순체 제약 해제
z-score — 변환 후 계층별 평균 0·분산 1로 스케일 정렬

결측 — 메커니즘이 계층마다 다름

LOD 이하(대사체) — 검출한계보다 농도 낮으면 0이 아니라 “측정 안 됨”으로 빠짐. 값이 작아 빠진 것 = MNAR → LOD/2·left-censoring
dropout(scRNA-seq) — 발현하는데 기술적으로 0으로 찍힘. 진짜 0과 구분 어려움 → zero-inflated·MAGIC
플랫폼별 — 칩·패널마다 재는 변수가 달라 특정 변수 통째 결측
대치 — KNN · MissForest · MICE (계층 특성에 맞게)

순서 원칙 — 계층별 변환·정규화·대치를 먼저, 통합은 그다음 (반대로 하면 스케일 큰 계층이 지배) / MNAR: 값 자체 때문에 결측되는 구조

④ 데이터 이종성 — 통합 시점 (Early · Intermediate · Late)

여러 오믹스를 언제 합치나

Early (조기·연결) — 모든 오믹스 변수를 한 행렬로 이어붙여 단일 모델. 가장 단순하나 p ≫ n·스케일 문제 최악 → 정규화·벌점 필수

Intermediate (중간·잠재인자) — 각 계층을 공통 잠재공간으로 보내 factor 수준에서 통합 (MOFA·SNF·DIABLO). 계층 구조 보존 + 교차신호 포착 → 보통 가장 무난

Late (후기·결과 통합) — 계층별로 따로 모델 → 예측·결과 결합(앙상블·메타분석). 계층 간 상호작용 놓칠 수 있음

⑤ 기술적 잡음·교란 — 신호를 가리는 변동

기술적 변동 (batch effect)

실험 런·플랫폼·시약 로트·측정일별 체계적 차이
생물학적 신호와 교락 시 가짜 발견 양산

생물학적 교란

집단 구조(ancestry) → GWAS 거짓 연관
조직 세포조성 → 메틸화·전사 신호 왜곡

분석 전략

Batch 보정 — ComBat · SVA · RUV · removeBatchEffect
집단구조 — 주성분(PC) 공변량 · 혼합모형(LMM)
세포조성 — deconvolution 보정
설계 단계 — randomization · 균형 배치

⑥ 사전지식·공개데이터 — 외부 reference 활용

공개 데이터·DB

변이–형질 — GWAS Catalog · UK Biobank · FinnGen
조절 — GTEx(eQTL) · ENCODE
경로·기능 — KEGG · Reactome · GO · MSigDB
참조 패널 — 1000 Genomes · TopMed

활용 분석

Enrichment — GSEA·ORA: 개별 마커 → 생물학적 해석
Mendelian Randomization — 공개 summary 통계로 인과 추론
Imputation — 참조 패널로 미측정 변이 보강
PRS — 외부 GWAS 가중치로 개인 위험도 산출

Case 1. 양극성장애 환자 약물 치료 반응 예측 및 신호 분석

삼성서울병원 정신건강의학과 백지현 교수님

분석 데이터

양극성장애 환자의 임상정보, 약물 반응 점수, proteomics, SNP, PRS을 포함한 다각적 멀티오믹스 데이터.
Lithium과 Valproate 반응을 연속형 점수와 반응군 형태로 정의, 예측 성능 평가와 분자 신호 해석을 동일 프레임 내에 연결.

분석 목표 및 통계 분석

약물 반응 차이를 설명하는 임상·분자 결합 신호 탐색 후, 반응 예측에 기여하는 feature 축 도출을 위한 분석 설계.
Table 1, linear/logistic regression로 기본 차이를 정리한 뒤, SNP-level GWAS, network analysis, LASSO, Random Forest로 확장 진행.

결과 및 산출물

반응군 비교표, SNP-단백체-임상 통합 네트워크, 변수 중요도 기반 예측 모델 구축, [75% train / 25% test] 분할과 [10-fold CV] 기준의 성능 비교 체계 정리.

Case 1. 양극성장애 환자 약물 치료 반응 예측 및 신호 분석

삼성서울병원 정신건강의학과 백지현 교수님

분석 데이터

한국인 PRS summary statistics, phenotype, eQTL/mQTL, Brain-mMeta를 통합한 멀티오믹스 데이터.
단순 예측 score 비교를 넘어, lead SNP와 기능 후보 유전자를 다시 해석하기 위한 post-GWAS 구조 중심 데이터셋.

분석 목표 및 통계 분석

ancestry-informed PRS 재산출을 통한 예측력 재점검 후, 기능적 근거가 더 설득력 있는 SNP-유전자 축 도출을 위한 재해석.
PRScs, PRScsx로 trait별 score를 산출하고 logistic ROC로 성능 비교, 이후 SMR/HEIDI 기반으로 대안 SNP와 기능 후보 재평가.

결과 및 산출물

PRS 비교표와 기능 후보 SNP 요약 자료를 정리하고, 후보 유전자의 gene-based SMR에서 강한 지지 근거가 제한적이어서 대안 SNP 비교 중심으로 해석.

Case 1 보충 ①. 연구 배경·목표와 분석 데이터

삼성서울병원 정신건강의학과 백지현 교수님

연구 배경

양극성장애(bipolar disorder)는 유전 영향이 크고, lithium·valproate 같은 약물의 반응이 환자마다 크게 달라 미리 예측하기 어려움
유전·단백체·임상 정보를 함께 보면 반응 예측과 발병 기전 이해에 도움이 될 것으로 봄

두 갈래로 진행한 연구

⑴ 약물반응 예측 라인: 임상·단백체·유전 정보를 통합해 lithium·valproate 반응을 예측하는 모델을 구축함
⑵ 유전 위험도·기전 라인: 한국인 GWAS로 위험 변이를 찾고, 공개 GWAS(유럽·동아시아) 요약통계로 위험점수(PRS)를 산출해 발병 위험을 평가하며, 위험 변이의 기능적 기전을 규명함

분석 데이터 ⑴ 약물반응 예측 (BOMICS 코호트)

임상 정보(나이·성별·진단 특성·동반질환 등)를 수집
단백체(proteomics): 치료 시점(T0·T1·T2)별 혈액 단백질과 그 변화량을 측정
유전 변이(SNP)와 다유전자 위험점수(PRS)를 함께 산출
결과 변수로 lithium·valproate 반응(반응 여부로도 구분)을 사용

분석 데이터 ⑵ 유전 위험도·기전 (한국인 BD GWAS)

K-CHIP으로 양극성장애 환자·대조군의 유전체를 측정
대규모 메타 GWAS 요약통계(약 3만 명)를 활용
외부 공개 QTL 데이터(뇌 eQTL·mQTL)를 함께 사용

용어

proteomics(단백체): 혈액 속 단백질을 한꺼번에 측정한 자료임
SNP(Single Nucleotide Polymorphism, 단일염기다형성): 사람마다 다른 유전자 한 글자 차이를 뜻함

Case 1 보충 ②. 약물반응 예측 라인 (BOMICS)

삼성서울병원 정신건강의학과 백지현 교수님

방법: 임상·단백체·유전 통합

Table 1·logistic regression으로 반응군과 비반응군의 기본 차이를 정리함
SNP-level GWAS로 반응 연관 변이를, network analysis로 SNP·단백질·임상의 연결 구조를 탐색함
LASSO·Random Forest로 예측 모델을 만들고, 75% 학습 / 25% 검증과 10-fold 교차검증으로 성능을 평가함

LASSO

많은 변수(SNP·단백질·임상) 중 예측에 중요하지 않은 변수의 계수를 0으로 눌러, 의미 있는 소수만 남기는 회귀 기반 머신러닝임
변수가 표본보다 많을 때 과적합을 막고, 핵심 예측 인자를 자동으로 골라줌

결과

SNP·단백체·임상 통합 네트워크, 변수 중요도 기반 LASSO·Random Forest 예측 모델, ROC 탐색 Shiny 앱을 산출함

Case 1 보충 ③. 유전 위험도·기전 라인. SNP·GWAS

유전 위험도·기전 라인

GWAS로 위험 변이를 찾고(이 장), PRS로 발병 위험을 점수화하며(보충④·⑤), SMR로 기전을 확인(보충⑥). 결과는 보충⑦에 정리.

삼성서울병원 정신건강의학과 백지현 교수님

SNP(Single Nucleotide Polymorphism, 단일염기다형성)

유전체의 한 염기 자리(A·T·G·C)에서 사람마다 염기가 달라지는 변이임. 사람 간 유전체는 약 99.9%가 동일하고, 개인 간 차이의 대부분이 SNP임
집단에서 minor allele(소수 대립유전자) 빈도가 일정 수준 이상으로 흔한 SNP을 분석에 사용함(거의 모두 같은 염기인 자리는 비교할 변이가 없어 제외)
과거에는 전장유전체를 다 읽지 못해 알려진 SNP만 칩(K-CHIP 등)으로 측정했고, 지금은 전장유전체(whole genome) 측정도 가능함
각 SNP에는 고유 rs 번호가 붙음(예: rs1234567 형식). 유전형은 minor allele 개수로 0·1·2로 코딩함

GWAS(Genome-Wide Association Study, 전장유전체 연관분석)

수백만 개 SNP을 한꺼번에 훑어, 질병과 통계적으로 연관된 위치를 찾는 분석임
수백만 번 검정하므로, 우연한 양성을 막기 위해 매우 엄격한 기준(\(p < 5\times10^{-8}\))을 넘어야 유의하다고 봄

연관은 곧 인과가 아님

설령 어떤 SNP이 질병과 연관되더라도 그 유전자가 원인이라는 보장은 없음
바로 옆에 붙어(LD, 연관불평형) 함께 움직인 다른 유전자가 진짜 원인일 수 있음
이를 가려내기 위해 뒤의 SMR 분석이 필요함

Case 1 보충 ④. PRS (다유전자 위험점수)

삼성서울병원 정신건강의학과 백지현 교수님

PRS: 수천 개 변이의 효과를 더한 위험 점수

양극성장애는 한두 유전자가 아니라 수천 개 변이가 조금씩 위험을 더하는 질환임
대규모 GWAS에서 각 변이의 효과크기(β, 보통 로그 오즈비)가 이미 추정되어 있음
한 사람의 유전형을 변이마다 0·1·2(위험 대립유전자 개수)로 읽어, β를 곱해 모두 더하면 위험 점수가 됨

\[\text{PRS}=\sum_{i}\beta_i \, x_i \qquad (x_i = 0,1,2)\]

\(\beta_i\)는 변이 \(i\)의 효과크기, \(x_i\)는 위험 대립유전자 개수임. 가중치 보정 없이 단순 합산하는 방식이 가장 기본형(classical) PRS이며, 뒤의 PRS-CS가 이를 개선함

예시: 변이 3개로 본 계산 (개념용)

변이	β (로그 오즈비)	유전형	기여 (β×개수)
변이 1	+0.30	2	+0.60
변이 2	+0.10	1	+0.10
변이 3	−0.20	0	0.00
합계 (PRS)			+0.70

실제로는 변이 수천 개에서 수만 개를 같은 방식으로 더함
점수가 높을수록 그 질환의 유전적 소인이 크다고 해석함

Case 1 보충 ⑤. PRS 정확도를 높이는 PRS-CS·PRS-CSx

삼성서울병원 정신건강의학과 백지현 교수님

단순 합산의 한계와 보정

가까이 있는 SNP들은 서로 비슷한 정보를 담음(LD, Linkage Disequilibrium, 연관불평형). 단순 합산은 이 중복을 과다 반영함
표준 참조 유전체(reference panel)로 LD 구조를 보정해야 점수가 정확해짐

PRS-CS · PRS-CSx (Python 도구)

PRS-CS(Continuous Shrinkage): 베이지안(Bayesian) 회귀로 각 SNP 효과에 연속 축소 사전분포(continuous shrinkage prior)를 적용해 LD 참조패널 기반으로 효과크기를 다시 추정함. 효과가 약한 변이는 0에 가깝게 강하게 줄이고 뚜렷한 변이는 덜 줄여 잡음을 억제함
PRS-CSx: 인종별 GWAS·LD 패널을 한꺼번에 넣는 확장판. 효과는 인종별 따로 · “믿을 SNP(축소)”는 인종끼리 공유 → 큰 유럽 GWAS가 표본 작은 한국인 점수를 끌어올림

연속 축소 사전분포 (continuous shrinkage prior)

각 SNP 효과 \(\beta_j\)에 0 중심 사전분포를 두고, SNP마다 축소 강도를 데이터로 정함

\[\beta_j \sim \mathcal{N}(0,\ \phi\,\psi_j)\]

\(\phi\)는 전체 축소 정도, \(\psi_j\)는 SNP별 축소 정도임. 효과가 약한 SNP은 \(\psi_j\)가 작아 0에 가깝게 강하게 줄이고, 뚜렷한 SNP은 덜 줄임

Case 1 보충 ⑥. 기전 규명: SMR·HEIDI

삼성서울병원 정신건강의학과 백지현 교수님

SMR: 변이로 유전자·질병의 인과를 추정

SMR(Summary-data-based Mendelian Randomization)은 위험 변이가 유전자 발현(eQTL)·메틸화(mQTL)에 주는 영향을 매개로 하여, 어떤 유전자가 질병의 원인 쪽인지 추정함
유전 변이는 태어날 때 정해져, 질병에 걸린 뒤에 변이가 바뀌지는 않음. 그래서 변이를 출발점으로 삼으면 질병이 거꾸로 변이를 바꿨을 가능성이 없어, 변이가 질병의 원인인지를 한 방향으로만 따질 수 있음

HEIDI: 진짜 표적인지 거르는 검정

HEIDI는 그 연관이 단지 옆에 붙어(LD) 우연히 같이 움직인 것인지 가려냄. 즉 “이 유전자가 진짜냐, 근처 유전자가 진짜냐”를 판정함

필요한 외부 데이터

eQTL(발현 양적형질 유전자좌): 변이가 유전자 발현량에 주는 영향 (뇌 BrainMeta 등)
mQTL(메틸화 양적형질 유전자좌): 변이가 DNA 메틸화에 주는 영향 (동아시아 mQTL 메타)

SMR · HEIDI 핵심 식

SMR — 변이를 도구로 한 Wald 비 → χ²: \[\hat b_{xy}=\frac{\hat b_{zy}}{\hat b_{zx}},\qquad T_{\text{SMR}}=\frac{z_{zx}^{2}\,z_{zy}^{2}}{z_{zx}^{2}+z_{zy}^{2}}\sim\chi^{2}_{1}\] 작은 \(z^{2}\)에 지배 → eQTL·GWAS 둘 다 강해야 검정력 (약하면 null)

HEIDI — 유전자 근처 변이들 간 \(\hat b_{xy}\) 일관성(이질성) 검정: \[d_i=\hat b_{xy}(i)-\hat b_{xy}(\text{top}),\qquad H_0:\ d_i=0\] 판정: SMR 유의 + HEIDI \(p\ge0.05\) → 단일 인과변이 후보 ( \(p<0.05\) 면 linkage로 제외 )

Case 1 보충 ⑦. 결과: 유전 위험도·기전 라인

삼성서울병원 정신건강의학과 백지현 교수님

PRS 위험점수 성능 (GWAS 인종별)

위험점수	인종	OR	R²	AUROC
양극성	동아시아	1.21	0.011	0.552
양극성	유럽	1.58	0.061	0.627
양극성	다인종	1.63	0.070	0.632

OR은 위험점수가 1 표준편차 높아질 때 발병 위험(오즈)이 몇 배로 커지는지를 나타냄
R²(Nagelkerke)은 위험점수가 발병 여부의 변동을 설명한 비율임
AUROC은 환자와 대조군을 한 명씩 뽑았을 때 환자의 점수가 더 높을 확률임(0.5는 무작위, 1은 완벽)
유럽·다인종 GWAS 기반 점수가 동아시아 단독보다 한국인 위험을 더 잘 설명했음. 동아시아 점수의 설명력이 낮은 것은 인종 간 유전구조가 달라서가 아니라 주로 동아시아 GWAS 표본이 유럽의 약 1/4로 작기 때문임

GWAS 핵심 발견: 새 위험 변이 후보

전장유전체 유의 수준을 넘는 새로운 위험 변이 후보 1곳을 발견함 — 기존 양극성장애 연구에서 보고된 적 없는 위치 (구체 변이·통계치는 논문 발표 후 공개)
후보 유전자의 생물학적 기능을 토대로 발병 기전 가설을 제시함

SMR·HEIDI 기전 분석: 인과 유전자 미확정

뇌 eQTL·동아시아 mQTL 기반 SMR에서 다중검정 보정 후 유의한 인과 유전자는 없었음
일부 메틸화 프로브(probe, 메틸화를 측정하는 DNA 지점)에서만 약한 연관(엄격 보정 미통과) — 인과 유전자는 더 큰 자료로 규명이 필요함

정리: 한국인 양극성장애에서 새 위험 변이 후보를 발견함. 다만 이 변이가 어느 유전자를 통해 작동하는지는 SMR·HEIDI로는 확정되지 않아, 더 큰 자료로 후속 규명이 필요함

Case 2. 소아 아토피성 염증 피부 지질체-전사체 통합 분석

강남성심병원 피부과 김혜원 교수님

분석 데이터

소아 아토피 피부 lipidomics, 부위 A/B/C 정보와 임상 중증도 지표가 함께 정리된 site-specific 통합 자료.
이후 sensitive skin, prurigo 데이터셋으로 확장, 질환별 차이와 공통 lipid 패턴을 비교 가능한 프레임으로 구성.

분석 목표 및 통계 분석

염증 반응과 연결되는 lipid axis 탐색 후, 부위별 변화와 질환 간 공통 signature 도출을 위한 다층 비교 설계.
fold-change와 limma + empirical Bayes 기반 차이 검정을 우선 수행하고, BH-FDR, Spearman correlation, PCA/UMAP로 신호를 단계적으로 정리.

결과 및 산출물

부위별 lipid fold-change 요약표와 Figure 세트를 정리하고, 3질환 통합 자료에서는 unique lipid 248개 중 18개 공통 species 확인으로 질환 간 공통 축 제시.

Case 2. 소아 아토피성 염증 피부 지질체-전사체 통합 분석

강남성심병원 피부과 김혜원 교수님

분석 데이터

transcriptome 29샘플, lipid-matched subset, 염증·섬유화 후보 유전자 세트를 함께 묶은 multiomics 확장 자료.
피부 표면 lipid 변화와 전사체 수준 염증 경로를 직접 연결해 볼 수 있도록 구성한 matched analysis 자료.

분석 목표 및 통계 분석

lipidomics에서 관찰된 변화축을 transcriptome과 연결한 뒤, 염증·장벽 관련 후보 pathway 재정렬을 통한 multiomics 근거 보강.
DESeq2 기반 DEG 산출 후 VST PCA, GO/KEGG enrichment, BH-corrected correlation을 통한 lipid-gene 연결축 재평가.

결과 및 산출물

논문용 Figure 1~5 세트와 multiomics correlation 패널을 정리하고, 군 비교에서 [FDR \< 0.05] 유의 유전자 후보를 도출 및 후속 검증 후보군 압축.

Case 2 보충 ①. 연구 배경·목표와 분석 데이터

강남성심병원 피부과 김혜원 교수님

연구 배경과 목표

소아 아토피·민감피부·결절성 양진은 겉모습은 달라도 만성 가려움과 아토피성 염증을 공통으로 가짐
세 질환에 공통된 피부 지질(lipid) 변화가 있는지, 그것이 어느 대사 경로 및 가려움과 연결되는지 규명이 목표

분석 데이터 (세 질환, 자체 측정)

질환	검체 수	환자 / 대조 구성
소아 아토피	120	환자 20명 × 부위 3곳
결절성 양진	93	병변 38 / 정상 26
민감피부	76	환자 70(4 유형) / 정상 6

분석은 두 갈래로 진행: ⑴ 피부 표면 지질체(lipidomics) 라인, ⑵ 양진 전사체(transcriptome) 라인

사용한 분석 도구 (R package)

limma: 원래 유전자 발현 분석용으로 개발된 통계 도구로, 지질 수백 개의 환자·정상 차이를 한 번에 안정적으로 검정
DESeq2: RNA 시퀀싱(전사체) 데이터에서 환자·정상 간 발현이 다른 유전자를 찾는 표준 통계 도구
data.table · ggplot2: 데이터 정리와 그림 작성

함께 사용한 외부 공개 데이터

KEGG(Kyoto Encyclopedia of Genes and Genomes, 교토 유전자·유전체 백과사전): 어떤 지질·유전자가 몸속 어느 대사 경로에서 일하는지 정리해 둔 무료 공개 데이터베이스
변한 지질을 이 지도에 대입하면 낱개가 아니라 “어느 대사 경로 전체가 움직였는지”로 해석 가능
변한 유전자는 GO/KEGG enrichment(기능·경로 농축분석)로 분석. 변한 유전자들이 특정 기능(GO)이나 대사경로(KEGG)에 우연 이상으로 몰려 있는지 통계로 확인해, 어떤 생물학적 과정이 달라졌는지 파악

Case 2 보충 ②. 분석 방법 (1): fold-change와 원자료

강남성심병원 피부과 김혜원 교수님

fold-change(FC, 배수변화)란

환자군이 정상 대비 어떤 분자가 몇 배 늘거나 줄었는지를 나타낸 값
log2로 표기: +1이면 2배, +2이면 4배, −1이면 절반

\[\text{log2FC}=\log_2\!\frac{\text{환자군 평균}}{\text{정상군 평균}}\]

원자료는 “개수(count)” 데이터

유전자 발현(전사체)의 원자료는 각 유전자가 몇 번 읽혔는지를 센 개수(count)
개수 자료에는 표본마다 측정된 양과 표본 수(N) 정보가 함께 담겨 있음
보통 log 변환 후 두 군의 평균을 비교해 배수변화를 계산

예시: 개수 자료에서 배수변화 계산

유전자	환자군	정상군	배수변화
유전자 X	120	40	3배 (log2 +1.6)
유전자 Y	30	60	0.5배 (log2 −1)

환자군에서 X는 늘고(증가), Y는 줄어든(감소) 것으로 읽음

Case 2 보충 ③. 분석 방법 (2): limma와 empirical Bayes

강남성심병원 피부과 김혜원 교수님

적은 표본, 많은 분자에서 생기는 검정력 문제

표본(환자 수)은 적은데 측정 분자(유전자·지질)는 수백~수천 개
표본이 적으면 분자마다 분산을 따로 추정한 값이 불안정 — 우연히 분산이 작게 나온 분자가 위양성(거짓 양성)으로 튐

limma의 해결

limma: 수백~수천 개 분자의 분산 정보를 서로 빌려 와 분산을 안정적으로 추정해, 적은 표본에서도 검정력을 회복
연속형(로그-정규) 데이터용 — 마이크로어레이·단백체·지질체에 적합. RNA-seq count는 voom(log-CPM) 변환 후 쓰거나 DESeq2(음이항)로 별도 처리

구분	단순 t검정	limma
분산 추정	분자마다 따로	전체에서 빌려 안정화
적은 표본 검정력	낮음	회복

empirical Bayes는 함께 따라옴

empirical Bayes(경험적 베이즈): “정보를 서로 빌려오는” 핵심 기법으로, limma를 쓰면 자동으로 함께 적용됨

\[\tilde{s}_g^{2}=\frac{d_0\,s_0^{2}+d_g\,s_g^{2}}{d_0+d_g}\]

개별 분산을 그 분자 하나로만 추정하면 불안정. limma는 개별 분산 \(s_g^2\) 를 전체 분자의 공통 분산 \(s_0^2\) 와 가중평균으로 섞어 더 안정적인 분산 \(\tilde{s}_g^2\) 를 산출(\(d_0\)·\(d_g\) 는 두 정보의 가중치). 표본이 적을수록 공통 분산에 더 의존

그 외 단계 (요약)

BH-FDR(거짓발견율): 수백 개 동시 검정의 우연 양성을 보정. q < 0.05면 신뢰
PCA(주성분분석): 수백 개 분자를 2~3개 축으로 압축해 환자군·정상군이 갈라지는지 확인

Case 2 보충 ④. 분석 방법 (3): KEGG pathway 분석

강남성심병원 피부과 김혜원 교수님

KEGG란

KEGG(Kyoto Encyclopedia of Genes and Genomes): 유전자·대사물질이 몸속에서 어떤 대사 경로로 연결되는지 그림 지도로 정리한 무료 공개 데이터베이스
예: ceramide는 sphingolipid metabolism(스핑고지질 대사) 경로에 속함

경로 단위 해석에 사용

변한 유전자·지질을 낱개로 보지 않고 “어느 경로가 통째로 움직였나”로 해석
enrichment(농축분석): 변한 목록이 특정 경로에 우연 이상으로 몰려 있는지 통계로 검정

KEGG 경로	이 연구의 변화
Sphingolipid metabolism	Cer·DHCer 증가
Glycerolipid metabolism	TG 감소
Fatty acid metabolism	FFA 변화(아토피)

R 패키지로 분석 가능

clusterProfiler: enrichKEGG·enrichGO로 경로 농축분석, gseKEGG로 순위기반 분석
KEGGREST: KEGG 경로·유전자 정보를 내려받아 조회
pathview: KEGG 경로 그림 위에 결과(증가·감소)를 색으로 표시
이 연구에서는 변한 지질을 sphingolipid·glycerolipid 등 KEGG 경로에 매핑해 경로 단위로 해석

library(clusterProfiler)
ek <- enrichKEGG(gene = deg, organism = "hsa")
dotplot(ek)

Case 2 보충 ⑤. 결과 ⑴ 지질체(lipidomics) 라인

강남성심병원 피부과 김혜원 교수님

핵심 결과: Ceramide(세라마이드) 증가

Ceramide(세라마이드): 피부 장벽을 이루는 대표 지질로, 피부 방어막의 핵심 성분
보통 아토피는 장벽 ceramide가 줄어 건조한데, 표면 지질에선 오히려 증가(새로 만드는 작용인 신생합성이 활발해졌다는 뜻)
특히 특정 ceramide 종이 아토피·양진에서 뚜렷이 증가

질환	대표 변화 방향
소아 아토피	ceramide 증가 · FFA 증가
결절성 양진	ceramide 증가(뚜렷) · TG 감소
민감피부	TG 감소

FFA(유리지방산), TG(중성지방), Cer(세라마이드)
log2FC는 로그2 배수변화 — +1이면 2배, +3이면 약 8배

Case 2 보충 ⑥. 결과 ⑵ 전사체(transcriptome) 라인

강남성심병원 피부과 김혜원 교수님

전사체 차등발현 분석

양진 환자 29명(정상 11·아토피양진 7·비아토피양진 11)의 유전자 발현(전사체) 분석
DESeq2: RNA 발현이 환자·정상 간 다른 유전자(DEG)를 찾는 표준 통계 도구. 이어 GO/KEGG enrichment로 염증·장벽 경로 확인

지질–유전자 연결 (multiomics)

표면 ceramide 변화를, 그 지질을 만들고 분해하는 핵심 유전자와 연결

유전자 기능군	역할
합성 효소	ceramide 합성
분해 효소	ceramide 분해
사슬연장 효소	지방산 사슬 연장

지질·유전자가 대부분 다른 환자라 개인 연결이 아니라 변화 방향의 일치로 해석

Case 2 보충 ⑦. 종간 검증과 통합 모델

강남성심병원 피부과 김혜원 교수님

마우스에서도 같은 변화 (cross-species 검증)

사람뿐 아니라 아토피 마우스 피부에서도 같은 ceramide 종이 증가
사람·마우스에서 같은 방향으로 재현돼, 우연이 아니라 종을 넘어 보존된 변화일 가능성

핵심 ceramide 종	변화 방향
마우스 아토피	유의 증가
사람 소아 아토피	유의 증가
사람 결절성 양진	유의 증가(뚜렷)

통합 모델: Neuroimmune–Lipid Crosstalk(신경–면역–지질 상호작용)

ceramide 상승이 면역세포와 가려움을 전달하는 감각신경을 자극해 만성 가려움을 일으킨다는 통합 가설

연구의 의의

세 질환을 관통하는 공통 지질 축(ceramide)을 제시
가려움 조절을 위한 치료 표적 후보로 연결 가능

Case 3. STING1-lysosome 발현량 난소암 환자 생존 분석

일산백병원 진단검사의학과 김지예 교수님

분석 데이터

내부 GeoMx spatial transcriptomics와 외부 TCGA/GTEx 난소암 자료를 함께 사용한 생존·분자 통합 자료.
단일 유전자 비교를 넘어, STING1-lysosome 관련 245개 유전자 모듈까지 확장 가능한 구조라는 점이 핵심 특징.

분석 목표 및 통계 분석

STING1-lysosome 축의 예후 연관성 탐색 후, 모듈 수준 재배선과 외부 코호트 검증을 통한 기능 후보 도출 목적의 분석 설계.
Kaplan-Meier, Cox로 예후 신호를 점검한 뒤, DESeq2, GO/KEGG/PPI, eigengene correlation, paired Wilcoxon으로 모듈 수준 해석을 확장.

결과 및 산출물

생존곡선, volcano, module network, eigengene correlation 구축, PFS는 event 부족으로 제한하여 OS 중심 해석과 외부 후보유전자 검증 축 명확히 정리.

Case 4. COPD 환자 사망 연관 SNP 탐색을 위한 GWAS 분석

동탄성심병원 호흡기내과 송진화 교수님

분석 데이터

KOCOSS COPD 코호트 중 SNP 데이터가 있는 환자 대상, 임상 기본정보와 mortality outcome을 통합한 유전연관 분석 자료.
전체 코호트뿐 아니라 pure_COPD, TB_COPD, Asthma_COPD, BE_COPD phenotype별 하위군을 나눠 subtype-specific signal 탐색.

분석 목표 및 통계 분석

COPD 환자의 mortality 연관 유전변이를 탐색, 임상 phenotype에 따른 신호 변경 탐색을 위한 subtype-specific GWAS 설계.
Table 1와 결측률 점검, PLINK logistic GWAS를 pure_COPD, TB_COPD, Asthma_COPD, BE_COPD 하위군별 반복 수행, covariate-adjusted model을 통해 age, sex, BMI, baseline FEV1 보정 결과 통합 비교.

Case 5. 방광암 및 폐암 진단 바이오마커 모델

시선바이오머티리얼즈 연구팀

분석 데이터

방광암 methylation marker 자료와 폐암 MPR panel, 외부검증용 test set을 함께 사용한 멀티오믹스 데이터.
원 marker 값뿐 아니라 control 기준 percentile feature를 추가 생성.

분석 목표 및 통계 분석

적용 가능한 diagnostic marker 조합 탐색 후, 설명 가능한 기준값과 배포형 예측 도구까지 연결하기 위한 모델링 설계.
ROC/AUC, logistic regression으로 기본 성능을 확인 및 percentile thresholding, 10-fold CV, LASSO, Random Forest 결합, 후보 모델 압축.

결과 및 산출물

ROC 패널, cutoff 기반 모델, 배포형 예측 앱 연결, AUC와 best-threshold, sensitivity/specificity, PPV/NPV, 95% sensitivity 기준 specificity 제시.

Case 6. 직장암 수술전 항암방사선용법 반응 유전자 분석

동탄성심병원 신은 교수님

분석 데이터

직장암 CCRT 반응군의 TC/IC spatial transcriptomics와 외부 검증 코호트 통합 데이터셋.
반응군과 생존 변수를 초기 단계에서 함께 정의하여, discovery와 validation 진행.

분석 목표 및 통계 분석

반응군 차이를 설명하는 DEG 선별 후, 생존 및 외부 코호트 예측 가능성까지 이어지는 후보유전자 축 도출 목표의 설계.
반응군 정의 후 limma + eBayes 기반 DEG 분석, heatmap/volcano 시각화, maxstat + Kaplan-Meier, ROC/Youden 순 확장.

결과 및 산출물

DEG 통합표와 생존·검증 Figure를 한 세트로 정리하고, 생존 관련 결과는 69행(유니크 61유전자), 외부 binary validation 결과는 타깃별 1,071행 규모로 저장되어 후속 선별.

Case 7. 피부 장벽 및 혈관 반응과 피부 표면 지질체 상관 분석

강남성심병원 피부과 박진서 교수님

분석 데이터

민감피부 환자군과 대조군의 TEWL, SCH, erythema, porphyrin, SS-10, lipid species를 함께 측정한 통합 자료.
표본 수 대비 변수 수가 큰 high-dimensional 구조로, 단일 p-value보다 패턴 탐색과 후보 압축이 중요한 데이터셋.

분석 목표 및 통계 분석

피부 장벽·혈관 반응 지표와 lipid pattern 사이의 연결 구조 탐색 후, symptom domain별 후보 지질 축 도출을 위한 exploratory 분석 설계.
Spearman correlation과 linear regression으로 1차 후보를 점검한 뒤, PCA, PLS-DA, PERMANOVA, network analysis, LASSO로 탐색 신호를 압축.

결과 및 산출물

correlation heatmap과 symptom-lipid network를 구축하고, SS-10 item 대 112개 lipid 상관에서는 FDR q \< 0.05통과 lipid 부재, patient-control PLS-DA의 PERMANOVA P = 0.753, R² = 0.007 exploratory layer 중심 해석 정리.

Case 7 보충 ①. 연구 배경·목표와 분석 데이터

강남성심병원 피부과 박진서 교수님

연구 배경과 목표

민감피부(sensitive skin)는 자극에 따가움·화끈거림 같은 불편한 감각이 나타나지만, 겉으로 보이는 병변이 없어 객관적으로 진단하기 어려운 질환임
진단이 환자의 주관적 호소에만 의존하므로, 증상을 뒷받침할 객관적 지표가 필요함
피부 표면 지질이 증상·피부장벽·홍조·포피린 같은 임상 지표와 연관되는지 탐색하고, 증상을 설명할 지질(biomarker, 생체표지자)을 찾는 것이 목표임

분석 데이터 (자체 측정)

민감피부 환자 69명, 대조군 6명 (대조군은 임상 점수가 없어 연관 분석에는 환자만 사용함)
피부 표면 지질 112종 (tape stripping으로 채취 후 LC-MS/MS로 정량)
LC-MS/MS(액체크로마토그래피-질량분석): 섞여 있는 지질을 종류별로 분리(LC)한 뒤 질량으로 정확히 식별·정량(MS)하는 표준 측정 방법

임상 지표	의미
TEWL · SCH	TEWL(경피수분손실, 높을수록 장벽 약함)·SCH(각질층 수분도, 높을수록 촉촉)
SS-10	민감피부 증상 설문(10항목)
홍조(erythema)	얼굴 사진 분석(전체·부위별)
porphyrin(포피린)	산화된 피지량(UV 사진)

Case 7 보충 ②. 분석 방법 (1): 기본 연관과 군집 탐색

강남성심병원 피부과 박진서 교수님

기본 분석부터 시작해, 결과가 약하면 더 정교한 방법으로 단계적으로 넘어감.

① 지질–임상 상관: Spearman correlation(스피어만 상관분석)

Spearman correlation은 두 값의 순위(크기 순서)가 함께 오르내리는 정도를 −1에서 +1 사이로 나타내는 분석임. +1이면 같은 방향, −1이면 반대 방향, 0이면 관계 없음. 순위만 쓰므로 극단값에 덜 민감함
각 지질과 각 임상 지표의 상관을 구하고, 그 값을 색으로 칠한 heatmap(열지도)으로 한눈에 표시함
결과: 다중비교 보정 후 FDR을 통과하는 지질이 없었음

② 군집 탐색: PCA(Principal Component Analysis, 주성분분석)

지질 112종 전체를 2~3개 축으로 압축해, 환자들이 지질 패턴으로 무리 지어지는지 확인함
결과: 뚜렷한 그룹 분리가 나타나지 않았음

Case 7 보충 ③. 분석 방법 (2): 그룹 비교와 biomarker 탐색

강남성심병원 피부과 박진서 교수님

③ 그룹 차이 강조: PLS-DA + PERMANOVA

PLS-DA(부분최소제곱 판별분석): 두 그룹(예: 증상 높은 군·낮은 군)을 미리 정해 주고, 그 둘을 가장 잘 구분하는 지질 조합을 찾아 주는 방법임. 차이를 도드라지게 보여주는 대신, 실제로 없는 차이도 있어 보이게 만들 위험이 있음
PERMANOVA(순열 분산분석): 두 그룹의 지질 조성 전체가 통계적으로 정말 다른지를 검정하는 방법임. 자료를 무작위로 여러 번 섞어 비교해, PLS-DA가 강조한 차이가 진짜인지 확인함(기여 지질은 VIP 점수로 추림)
결과: 어느 임상 지표로 나눠도 두 군의 지질 조성에 유의한 차이가 없었음

④ 연결 구조 시각화: network analysis(네트워크 분석)

network analysis로 증상과 지질을 점·선으로 이어, 어떤 증상이 어떤 지질과 묶이는지 보여줌
결과: 보정 전 기준에서 증상끼리 비슷한 것이 묶이고 중성지방(TG)이 자주 등장함(탐색적 참고)

⑤ biomarker 후보 압축: LASSO(라쏘 회귀)

LASSO(라쏘 회귀)는 영향력 없는 지질을 0으로 눌러 소수만 남기는 머신러닝으로, 변수가 표본보다 많을 때 유용함
결과: 자극감·따가움·화끈거림 등 일부 증상에서만 1~8개 후보가 선택되고, 나머지 증상에서는 없었음

⑥ 교차 확인: 환자 대 대조, 정규화 대 원자료

환자·대조 비교와 정규화·원자료 분석으로 결과가 전처리 방식 때문은 아닌지 점검함
결과: 원자료에서도 분리되지 않아, 분리가 안 되는 것이 전처리 탓이 아님을 확인함

Case 7 보충 ④. 결과와 분석 전략상의 교훈

강남성심병원 피부과 박진서 교수님

통계적으로 확정된 연관은 없음

어떤 지질도 FDR q < 0.05를 통과하지 못했음
환자와 대조군의 지질 조성도 차이가 없었음

탐색적으로 관찰된 경향

LASSO에서는 자극감·따가움·화끈거림 등 일부 증상에서 1~8개 지질이 후보로 선택됨
증상끼리는 비슷한 것들이 묶였고(예: 화끈거림·열감), 중성지방(TG)이 반복해서 나타남

표본보다 변수가 많은 문제(n < p)

표본은 적은데 지질은 112종으로 많아(특히 대조군 6명), 다중비교 보정 후 유의성 확보가 어려움
기본 상관·회귀에서 유의한 연관이 없으면 더 복잡한 방법으로도 유의한 결과를 못 만듦

유의한 결과가 없을 때의 원칙: 한계(표본 수, 다중비교)를 함께 제시하고, 무리한 추가 분석으로 없는 결과를 만들지 않음

Case 8. qPCR miRNA 기반 폐암 진단 모델 연구

건국대병원 호흡기내과 이계영 교수님

분석 데이터

qPCR miRNA, 연령, 흡연력, 병기, 실험 라운드 정보를 포함한 멀티오믹스 폐암 진단 자료.
라운드 차이와 샘플 정합화 이력이 함께 남아 있어, marker 성능 비교와 데이터 정제 이슈를 동시에 다룰 필요성.

분석 목표 및 통계 분석

단일 miRNA 유의성과 다중 marker panel 성능을 분리 평가한 뒤, 임상변수 보정 모델까지 확장하여 screening용 조합 후보 압축 설계.
qPCR 정규화 후 Table 1, boxplot + pairwise test, logistic ROC/AUC, UpSet combination search, LASSO, Random Forest 순으로 비교 평가 진행.

결과 및 산출물

8개 후보 miRNA에서 3·4·5-marker 조합까지 비교하는 ROC Figure와 Interactive 웹앱으로 연결하고, 최종 AUC·민감도·특이도는 raw qPCR/pins 자료 기준 재계산.

Case 9. 공단·심평원 빅데이터 분석

대한민국 공단(KNHIS)·심평원(HIRA) 빅데이터는 전 국민 단위의 건강검진, 소득, 사망, 데이터를 포함.
최근 5년간 Diabetes Care, International Journal of Epidemiology, JAMA Network Open, JAMA Pediatrics 등에 NHIS/HIRA 기반 연구가 지속적으로 게재

공단/심평원 데이터 활용 및 분석 사례

사례 1

분당서울대병원 피부과 김보리 교수님

제1형 신경섬유종증 환자의 연령대에 따른 주요 합병증 발생 변화 연구

Acta Dermato-Venereologica (IF 4.3) 게재

사례 2

분당서울대병원 피부과 김보리 교수님

수포성 천포창(Bullous Pemphigoid, BP)의 발생과 연관된 위험 약물 규명

The Journal of Dermatology (IF 2.7) 게재

사례 3

강동성심병원 소화기내과 서승인 교수님

H. pylori 제균치료의 실제 처방 경향의 전국적 조사

Gut and Liver (IF 3.2) 게재

Case 9. 공단데이터 결합데이터 분석 사례

서울대학교병원 영상의학과 김형진 교수님

사례 1 국가폐암검진에서 발견된 위양성 결과와 사후 관리가 향후 폐암 발생률과 사망률에 미치는 영향 분석

Journal of Internal Medicine (IF 9.2) 게재

전체 표본 수235,753명 대상(2019 ~ 2021)

사례 2 국가폐암검진에서 발견된 간질성 폐 이상(ILA, Intersitial Lung Abnormalities)의 예후적 가치 분석

The Journal of Dermatology (IF 2.7) 게재

전체 표본 수125,600명 대상(2019 ~ 2020)

국가폐암검진 CT 판독 데이터와 건강보험공단 국민 데이터을 결합한 복합적 의료 분석 사례 (기본 소득, 처방 및 확진, 생존여부 등)

연구자 옆에는 차라투

Zarathu logo

Contact
office@zarathu.com | +82 70-7954-3712
www.zarathu.com | community.zarathu.com | openstat.ai

정밀의료 연구에서의 멀티오믹스 분석 전략과 실제 적용

목차

자기소개

직접 개발한 R 패키지 — Statgarten 오픈소스 생태계

4대 대표 패키지 — jskm · jstable · jsmodule · splineplot

jsmodule — 저코드 분석 웹 · AI Assistant

멀티오믹스 데이터와 분석의 특징

① 고차원 — 변수가 표본을 압도 (p ≫ n)

② 다중공선성 — 변수 간 강한 상관 구조

③ 다중검정 — 수백만 가설의 동시 검정

④ 데이터 이종성 — 계층마다 다른 분포·스케일

④ 데이터 이종성 — 변환·정규화 (VST · log · CLR)

④ 데이터 이종성 — 통합 시점 (Early · Intermediate · Late)

⑤ 기술적 잡음·교란 — 신호를 가리는 변동

⑥ 사전지식·공개데이터 — 외부 reference 활용

Case 1. 양극성장애 환자 약물 치료 반응 예측 및 신호 분석

Case 1. 양극성장애 환자 약물 치료 반응 예측 및 신호 분석

Case 1 보충 ①. 연구 배경·목표와 분석 데이터

Case 1 보충 ②. 약물반응 예측 라인 (BOMICS)

Case 1 보충 ③. 유전 위험도·기전 라인. SNP·GWAS

Case 1 보충 ④. PRS (다유전자 위험점수)

Case 1 보충 ⑤. PRS 정확도를 높이는 PRS-CS·PRS-CSx

Case 1 보충 ⑥. 기전 규명: SMR·HEIDI

Case 1 보충 ⑦. 결과: 유전 위험도·기전 라인

Case 2. 소아 아토피성 염증 피부 지질체-전사체 통합 분석

Case 2. 소아 아토피성 염증 피부 지질체-전사체 통합 분석

Case 2 보충 ①. 연구 배경·목표와 분석 데이터

Case 2 보충 ②. 분석 방법 (1): fold-change와 원자료

Case 2 보충 ③. 분석 방법 (2): limma와 empirical Bayes

Case 2 보충 ④. 분석 방법 (3): KEGG pathway 분석

Case 2 보충 ⑤. 결과 ⑴ 지질체(lipidomics) 라인

Case 2 보충 ⑥. 결과 ⑵ 전사체(transcriptome) 라인

Case 2 보충 ⑦. 종간 검증과 통합 모델

Case 3. STING1-lysosome 발현량 난소암 환자 생존 분석

Case 4. COPD 환자 사망 연관 SNP 탐색을 위한 GWAS 분석

Case 5. 방광암 및 폐암 진단 바이오마커 모델

Case 6. 직장암 수술전 항암방사선용법 반응 유전자 분석

Case 7. 피부 장벽 및 혈관 반응과 피부 표면 지질체 상관 분석

Case 7 보충 ①. 연구 배경·목표와 분석 데이터

Case 7 보충 ②. 분석 방법 (1): 기본 연관과 군집 탐색

Case 7 보충 ③. 분석 방법 (2): 그룹 비교와 biomarker 탐색

Case 7 보충 ④. 결과와 분석 전략상의 교훈

Case 8. qPCR miRNA 기반 폐암 진단 모델 연구

Case 9. 공단·심평원 빅데이터 분석

Case 9. 공단데이터 결합데이터 분석 사례

연구자 옆에는 차라투